一文定義
AIエージェントベンチマークとは、AIエージェントの能力を測定するための標準テスト群で、SWE-bench（コーディング）・WebArena（Web操作）・GAIA（汎用タスク）等がありエージェントAIの進歩を追跡します。
詳細解説
AIエージェントベンチマーク（AI Agent Benchmark）とは、AIエージェントが実際のタスクをどの程度こなせるかを定量的に評価するための標準的な評価セットです。単純な質問応答能力を測る従来のLLMベンチマークと異なり、複数ステップにわたる計画・実行・ツール使用能力を評価します。
代表的なベンチマーク： - **SWE-bench**：GitHubの実際のissueを解決するコーディングエージェント評価。2024年に登場し、主要モデルの実用的なコード修正能力の比較に広く使われる - **WebArena**：Webブラウザ操作タスク（ショッピング・フォーラム投稿等）の評価環境 - **GAIA**：検索・計算・ファイル操作等を組み合わせた汎用AIアシスタント能力の評価 - **OSWorld**：OS操作タスクを通じてデスクトップエージェントを評価 - **AgentBench**：コード・ゲーム・DB操作等多様な環境での総合評価
これらのベンチマークへのスコアがLLMプロバイダーの競争指標となっており、エージェントAIの実用化進捗を追跡する上で不可欠な参照点になっています。
参考情報・出典
- ▸SWE-bench: Can Language Models Resolve Real-World GitHub Issues?— arXiv / Princeton NLP（参照日: 2026-02-26）
- ▸GAIA: a benchmark for General AI Assistants— arXiv / Meta AI（参照日: 2026-02-26）
最終更新: 2026-02-26← 用語集一覧へ